混合人工智能模型与CNN和视觉变压器用于在作物中精确分类害虫
Neha Sharma1, Fuad Ali Mohammed Al-Yarimi2, Salil Bharany1
1Chitkara University Institute of Engineering and Technology Chitkara University Punjab India.
Food science & nutrition
|November 12, 2025
概括
混合深度学习模型HyPest-Net使用卷积神经网络和视觉转换器准确识别作物害虫. 这种先进的害虫分类技术通过改善早期检测和管理策略,有助于精准农业.
科学领域:
- 农业科学 农业科学
- 计算机科学 计算机科学
- 人工智能的人工智能
背景情况:
- 农作物害虫严重威胁农业生产力和粮食安全.
- 有效的害虫防治依赖于及时和准确的害虫识别.
- 现有的方法在与视觉上相似的物种,背景杂乱和可变的照明作斗争.
研究的目的:
- 开发一种新的混合深度学习模型,用于准确和高效的害虫分类.
- 解决独立卷积神经网络 (CNN) 和视觉变换器 (ViT) 在虫害识别中的局限性.
- 为准确农业中实时害虫分类提供实用解决方案.
主要方法:
- 提出了HyPest-Net,这是一个混合架构,集成了CNN用于本地特征,注意力机制用于突出的特征改进,以及远程依赖的视觉变压器 (ViT-B/16).
- 采用数据预处理和增强技术,以提高模型的通用性.
- 在两个基准数据集上对该模型进行了评估:一组大米害虫数据集 (5类) 和一组农场昆虫数据集 (15类).
主要成果:
- 在大米病虫害数据集上,HyPest-Net实现了0.95的准确性.
- 在大米害虫数据集上,该模型获得了0.95精度,0.95灵敏度,0.94特异性和0.94F1得分.
- 该模型在危险农场昆虫数据集上实现了0.93的准确性.
结论:
- 与独立模型相比,HyPest-Net在害虫分类方面表现优越.
- 混合架构有效地应对视觉相似性和背景复杂性等挑战.
- 在精密农业中,HyPest-Net提供了一种轻量级,易于解释和强大的解决方案,用于实时的害虫分类.
